爬虫实践---排行榜小说批量下载
一、目标
排行榜的地址：http://www.qu.la/paihangbang/
注：文末有福利！
找到各类排行旁的的每一部小说的名字，和在该网站的链接。
二、观察网页的结构
很容易就能发现，每一个分类都是包裹在：
<div class="index_toplist mright mbottom">
之中，
这种条理清晰的网站，大大方便了爬虫的编写。
在当前页面找到所有小说的连接，并保存在列表即可。
三、列表去重的小技巧：
就算是不同类别的小说，也是会重复出现在排行榜的。
这样无形之间就会浪费很多资源，尤其是在面对爬大量网页的时候。
这里只要一行代码就能解决：
url_list = list(set(url_list))
这里调用了一个list的构造函数set：这样就能保证列表里没有重复的元素了。
四、代码实现
模块化，函数式编程是一个非常好的习惯，坚持把每一个独立的功能都写成函数，这样会使代码简单又可复用。
1.网页抓取头：
import requests
from bs4 import BeautifulSoup
def get_html(url):
try:
r = requests.get(url,timeout=30)
r.raise_for_status
r.encoding='utf-8'
return r.text
except:
return 'error!'
2.获取排行榜小说及其链接：
爬取每一类型小说排行榜，
按顺序写入文件，
文件内容为 小说名字+小说链接
将内容保存到列表
并且返回一个装满url链接的列表def get_content(url):
url_list = []
html = get_html(url)
soup = BeautifulSoup(html,'lxml')
# 由于小说排版的原因，历史类和完本类小说不在一个div里
category_list = soup.find_all('div',class_='index_toplist mright mbottom')
history_list = soup.find_all('div',class_='index_toplist mbottom')
for cate in category_list:
name = cate.find('div',class_='toptab').span.text
with open('novel_list.csv','a+') as f:
f.write('
小说种类：{}
'.format(name))
book_list = cate.find('div',class_='topbooks').find_all('li')
# 循环遍历出每一个小说的的名字，以及链接
for book in book_list:
link = 'http://www.qu.la/' + book.a['href']
title = book.a['title']
url_list.append(link)
# 这里使用a模式写入，防止清空文件
with open('novel_list.csv','a') as f:
f.write('小说名:{} 小说地址:{}
'.format(title,link))
for cate in history_list:
name = cate.find('div',class_='toptab').span.text
with open('novel_list.csv','a') as f:
f.write('
小说种类: {}
'.format(name))
book_list = cate.find('div',class_='topbooks').find_all('li')
for book in book_list:
link = 'http://www.qu.la/' + book.a['href']
title = book.a['title']
url_list.append(link)
with open('novel_list.csv','a') as f:
f.write('小说名:{} 小说地址:{}
'.format(title,link))
return url_list
3.获取单本小说的所有章节链接:
获取该小说每个章节的url地址，并创建小说文件
# 获取单本小说的所有章节链接
def get_txt_url(url):
url_list = []
html = get_html(url)
soup = BeautifulSoup(html,'lxml')
list_a = soup.find_all('dd')
txt_name = soup.find('dt').text
with open('C:/Users/Administrator/Desktop/小说/{}.txt'.format(txt_name),'a+') as f:
f.write('小说标题：{}
'.format(txt_name))
for url in list_a:
url_list.append('http://www.qu.la/' + url.a['href'])
return url_list,txt_name
4.获取单页文章的内容并保存到本地
这里有个小技巧：
从网上爬下来的文件很多时候都是带着<br>之类的格式化标签，
可以通过一个简单的方法把它过滤掉：
html = get_html(url).replace('<br/>', '
')
这里单单过滤了一种标签，并将其替换成‘
’用于文章的换行，
def get_one_txt(url,txt_name):
html = get_html(url).replace('<br/>','
')
soup = BeautifulSoup(html,'lxml')
try:
txt = soup.find('div',id='content').text
title = soup.find('h1').text
with open('C:/Users/Administrator/Desktop/小说/{}.txt'.format(txt.name),'a') as f:
f.write(title + '
')
f.write(txt)
print('当前小说：{}当前章节{}已经下载完毕'.format(txt_name,title))
except:
print('ERROR!')
6.主函数
def get_all_txt(url_list):
for url in url_list:
# 遍历获取当前小说的所有章节的目录，并且生成小说头文件
page_list,txt_name = get_txt_url(url)
def main():
# 小说排行榜地址
base_url = 'http://www.qu.la/paihangbang/'
# 获取排行榜中所有小说的url链接
url_list = get_content(base_url)
# 除去重复的小说
url_list = list(set(url_list))
get_all_txt(url_list)
if __name__ == '__main__':
main()
7.输出结果
5.缺点：
本次爬虫写的这么顺利，更多的是因为爬的网站是没有反爬虫技术，以及文章分类清晰，结构优美。
但是，按照这篇文的思路去爬取小说，
大概计算了一下：
一篇文章需要：0.5s
一本小说（1000张左右）：8.5分钟
全部排行榜（60本）： 8.5小时！
那么，这种单线程的爬虫，速度如何能提高呢？
自己写个多线程模块？
其实还有更好的方式：Scrapy框架
后面可将这里的代码重构一边遍，
速度会几十倍甚至几百倍的提高了！
这其实也是多线程的威力！
最后，给大家推荐一个良心公众号【IT资源社】：
本公众号致力于免费分享全网最优秀的视频资源，学习资料，面试经验等，前端，PHP，JAVA，算法，Python，大数据等等，你想要的这都有
IT资源社－QQ交流群：601357554
微信搜索公众号：ITziyuanshe 或者扫描下方二维码直接关注，
里面基本什么资料都有，基础到进阶到项目实战，如果觉得不够还可以加群跟群主要，最重要的是全部免费！